基于主动度量学习的空中交通相似场景识别

空中交通的快速增长不断增加了管制员的工作负荷,这已成为制约部门运行的重要因素.如果能够识别出相似的交通场景,就可以利用历史决策经验帮助管制员快速决策控制策略.考虑到交通场景众多且难以标记所有样本,本文提出了一种主动支持向量机度量学习算法(Active SVM metric learning algorithm,ASVM...     

集值广义强向量拟均衡问题系统解的通有稳定性

在实局部凸Hausdor f f拓扑线性空间的框架下,本文将单值映射推广到集值映射、问题解推广至系统解.得到了当约束集值映射连续,目标映射满足锥?真拟凸的条件时,集值广义强向量拟均衡(SVGSVQEP)系统解是通有稳定的.     

基于优化最小二乘支持向量机的襟翼趋势预测

将最小二乘支持向量机(LS-SVM)应用于飞机襟翼状态趋势研究。首先,通过分析飞机襟翼故障与襟翼动作耗时参数的关系,提出了利用动作耗时趋势来确定该系统未来状态的方法。然后,使用最小二乘支持向量机建立耗时回归预测模型,采用最终预报误差(FPE)准则确定回归模型嵌入维数,提出了自适应网格搜索法,优化最小二乘支持向量机的建模参数,从而实现比现有方法精度高,泛化性能好的预测模型。训练和测试样本取自飞行数据记录系统(QAR)中译码襟翼参数值。与神经网络模型的比较实践表明,该方法具有实用价值。     

基于分解模型的航班起降架次预测及修正

航班起降架次对民航整体运行发展和决策至关重要,为合理评估事件影响并展开预测,基于包含新冠疫情影响的月度数据,采用X-13ARIMA模型和genhol程序进行春节效应修正、序列分解。同时基于增加特征的思想,将序列滞后项及时间趋势、季节虚拟变量用于支持向量机回归中,再引入疫情恢复修正因子对预测值进行修正。结果表明,采用支持向量机回归预测分解后的主序列时,滞后项为2及季节虚拟变量时精度最佳,通过疫情修正各模型误差均有显著降低,表明组合模型的有效性。     

环境减灾二号A/B卫星在森林树种识别中的应用

采用环境减灾二号A/B卫星数据,在福建武夷山国家公园和东北虎豹国家公园2个试验区开展森林树种识别的应用研究。分别提取2个试验区影像的光谱特征、归一化植被指数(NDVI)和基于主成分第一分量的8个纹理特征信息,采用支持向量机(SVM)和原型网络分类对森林主要树种进行识别,并利用验证样本进行精度评价。结果表明：在福建武夷山国家公园试验区,SVM和原型网络分类的总精度分别为86.37%和91.11%,Kappa系数分别为0.83和0.90。在东北虎豹国家公园试验区,SVM和原型网络分类的总精度分别为91.77%和91.34%,Kappa系数均为0.90。总体来说,环境减灾二号A/B卫星数据在2个试验区的主要树种识别精度较好,后续能较好地满足林业行业相关业务应用需求。     

超弹性N形杆纯弯曲力矩理论建模和试验验证

为了使N形杆在空间结构中顺利展开,对其缠绕过程中的力学特性进行了分析.基于协变基向量法建立了纯弯曲条件下各向同性单片带簧在缠绕时应变能理论模型,并采用最小势能原理推导了弯矩的理论模型,然后通过拟合曲率推导了N形杆缠绕时的理论模型.研制了4根N形杆样件,并搭建了试验平台,使用数显式推拉力计分别对杆件在缠绕过程的拉力进行了...     

B样条快速求值算法及其在曲线拟合中的应用

B样条方法是数据插值、拟合与平滑的重要方法。通过对de Boor-Cox算法计算路径的分析,给出了一种基于向量扩展的B样条基函数求值运算方法。分析表明,该方法具有并行计算结构和递推计算结构,利于计算机实现。同de Boor-Cox递推运算方法比,它能够同步计算出k次B样条的所有k＋1个非零函数值,运算效率提高了2k＋1倍。在最小二乘法B样条曲线拟合算法中的应用验证了本文算法的有效性。     

贝叶斯回归支持向量机的软测量建模方法

提出了一种基于贝叶斯证据框架的回归型支持向量机的参数选择和软测量建模方法。证据框架的第1层推理用来解释支持向量机的训练。证据框架的第2和第3层推理用于自动调整正则化参数和核参数并使其接近最优值。然后,将这种基于贝叶斯证据框架的回归型支持向量机用于估计聚丙烯腈生产过程的质量指标。仿真结果表明了该方法的有效性。     

一种改进的基于LDPC码的信源信道联合译码方法

提出一种改进的将LDPC迭代译码和隐马尔可夫估计相融合的迭代译码算法。一方面通过隐马尔可夫信源估计获取信源残留冗余,作为外信息提供给LDPC迭代译码;另一方面,通过LDPC迭代译码获得更精确的信源估计模型参数,加快迭代收敛速度,获得更好的迭代译码性能。其优点是无需知道任何关于信源的先验信息,计算复杂度低,并行操作性强,尤其适用于宽带多媒体传输。     

一种新的导航星选取算法研究

在导航星表的建立过程中，由于恒星的数量太多，往往要进行筛选，通常这种选择复杂费时，而结果往往并不是最优的。本文引入了动态星等阈值分布函数，将传统星等阈值过滤算法中的静态阈值用动态星等阈值代替，建立了一种新的动态星等阈值过滤选择模式。而基于统计学习理论的支持向量机方法为求解高维非线性动态星等阈值分布函数提供了新的途径。本文讨论了这种基于支持向量机的导航星自动选择算法——回归选取算法。实验表明，用该算法所选取的导航星表，导航星数量少、分布均匀性好。同时它还能适应多种任务的导航星选取要求，具有很强的通用性。